📚 课程目录第3章 STAR法则与项目表达

第3章 STAR法则与项目表达：高频问题、回答框架、追问方向

STAR 法则（Situation–Task–Action–Result）是大模型算法面试中结构化表达项目经历的核心工具。面试官通过项目经验考察你的技术深度、问题解决路径与团队角色。本章聚合最常出现的7道项目类问题，每一问都提供完整回答框架与追问应对策略。

💡 核心原则：每个回答必须包含量化结果与个人独特贡献，避免“我们做了”的模糊叙述。

考察点	项目真实性、逻辑清晰度、个人贡献占比
回答框架	S（背景）→ T（我的任务）→ A（具体行动）→ R（量化结果）
简短示例	S: 某金融公司需提升客服意图识别准确率。T: 我负责数据清洗、指令微调与评估。A: 构建自动清洗流水线，设计15个指令模板，用LoRA微调并做对比实验。R: 准确率从82%提升至93%，线上推理延迟仅增加5ms。
可能追问	为什么选择LoRA而不是全量微调？评估指标除了准确率还用了什么？
避坑提醒	不要只说“我们团队”，要强调“我负责/我设计了”；结果必须用数字说明。

考察点	问题拆解能力、技术选型逻辑、坚持度
回答框架	难点描述 → 尝试的方案 → 最终解法 → 效果验证
简短示例	微调后的模型在长尾意图上准确率低于50%。尝试扩充样本+数据增强后效果仍差。最终改用Prompt Tuning + 正则化，同时设计温度系数调整损失权重，长尾准确率升至78%。
可能追问	为什么Prompt Tuning更适合长尾？正则化的具体实现？
避坑提醒	不要只说“调参数”，要说出具体的算法或架构选择。

考察点	评估体系完整性、对业务落地的理解
回答框架	离线指标（如准确率、召回率、F1、困惑度）→ 线上A/B测试指标（如响应时间、用户满意度）→ 特定领域指标
简短示例	离线用F1和ACC，同时监控生成模型的BLEU-4与ROUGE-L。线上标注1000条badcase，计算人工修正率。针对金融领域额外评估合规性命中率。
可能追问	如果离线指标好但线上效果差，你会如何排查？
避坑提醒	不要只列指标名，要说明指标的含义和选择原因。

考察点	反思能力、成长心态、技术广度
回答框架	失败的尝试 → 失败原因分析 → 调整方向 → 最终效果
简短示例	最早尝试全量微调，但模型过拟合且训练时长达12小时。分析后发现数据量不足且指令多样。改用LoRA + 指令数据增强，训练时间缩短至2小时，并且效果优于全量。
可能追问	如果给你更多数据和算力，你会重新考虑全量微调吗？
避坑提醒	不要假装从未失败，诚实展示学习过程，但重点要转移到“如何解决”。

考察点	沟通能力、跨团队协作、需求理解
回答框架	协作场景 → 具体沟通方式 → 遇到的问题 → 解决结果
简短示例	业务方希望模型直接输出“是/否”，但实际场景需要解释原因。我设计了一个两阶段模型：先判断意图，再生成简短解释。定期对齐会议中用badcase展示准确率提升，业务方最终接受新方案。
可能追问	如果业务方坚持原需求，你会怎么做？
避坑提醒	不要只说“沟通”，要给出具体冲突点和折中方案。

考察点	工程化意识、模型优化技术
回答框架	现有瓶颈 → 优化方法 → 实验结果 → 上线效果
简短示例	原始7B模型推理延迟300ms，远超20ms的SLA。先做INT8量化（延迟降为120ms），再使用vLLM动态批处理（降至45ms），最后结合KV cache预填充，最终稳定在18ms。
可能追问	量化精度损失多少？如何衡量？
避坑提醒	不要只说“用了量化”，要对比量化前后的指标变化。

考察点	复盘能力、技术前瞻性、批判性思考
回答框架	当前方案的局限 → 改进思路 → 预期收益 → 验证方法
简短示例	当时数据清洗过于依赖人工规则，后续我会引入小模型自动筛选噪声样本（如用BERT分类器过滤不一致指令）。预计可降低20%的badcase，同时减少50%的人工校验时间。
可能追问	这个改进是否会影响训练数据分布？如何控制？
避坑提醒	不要提太抽象或无法落地的改进，要具体到工具或方法。

📌 准备建议：将你的3-4个核心项目用STAR模板提前写成书面稿，每个项目准备2-3个追问方向的答案，面试时直接调用结构化素材。